Une nouvelle étude de l’Université Concordia montre que l’intelligence artificielle permet de prédire le débit des cours d’eau et de prévenir les risques d’inondation

Comme l’ont montré les récentes inondations en Espagne et ailleurs, chaque minute d’avertissement donnée aux gens avant une éventuelle inondation peut sauver des vies et des biens. Or, un nouvel article paru dans la revue Hydrology pourrait aider les autorités à améliorer les protocoles d’évacuation en cas d’inondation grâce à un modèle d’apprentissage automatique mis au point par des chercheurs de l’Université Concordia.

Mohamed Almetwally Ahmed, candidat au doctorat, et Samuel Li, professeur et directeur du Département de génie du bâtiment, civil et environnemental, ont en effet créé une méthode qui recourt à l’intelligence artificielle pour prédire avec plus d’exactitude le débit fluvial à court terme.

À l’aide de données historiques et d’un nouvel ensemble de prédicteurs météorologiques, les auteurs ont basé leur recherche sur la mesure de l’advection – le taux de mouvement de l’eau – entre deux stations hydrométriques sur la rivière des Outaouais. Un cas d’essai a été créé à partir de ces deux stations, distantes d’environ 30 kilomètres. La station située en aval était désactivée depuis de nombreuses années, tandis que la station en amont était toujours active.

Les données historiques recueillies au fil des décennies par le gouvernement fédéral ont été complétées par des données sur les précipitations, la température et les niveaux d’humidité, entre autres paramètres. Une fois introduits dans le modèle d’apprentissage automatique, ces paramètres ont permis d’obtenir des estimations fiables du débit journalier et des données en temps réel sur la quantité d’eau circulant dans une section particulière de la rivière.

« Les prévisions infrajournalières, c’est-à-dire sur moins de 24 heures, sont principalement utilisées pour les évacuations, et cette méthode nous donne des probabilités de prévision plus précises que les prévisions quotidiennes ou sur plusieurs jours, explique M. Ahmed. Ces prévisions sont toutes basées sur des probabilités, et la probabilité augmente à mesure que le délai de prévision diminue. »

Un modèle transparent et transposable

Les chercheurs se sont appuyés sur un type d’algorithme existant appelé méthode de traitement des données par groupe. Cette méthode permet d’élaborer des modèles prédictifs en triant et en combinant les données dans des groupes, où elles sont calculées dans différentes combinaisons de manière répétée jusqu’à ce que la combinaison de données la meilleure et la plus fiable soit déterminée.

« Dans cette méthode, nous utilisons neuf prédicteurs : sept paramètres météorologiques et les données historiques de deux centrales hydroélectriques. Le modèle classe et reclasse ces paramètres pour créer de multiples combinaisons jusqu’à ce qu’il fasse une sélection numérique de prédicteurs. Il est important de noter qu’il n’utilise pas nécessairement tous les prédicteurs ou qu’il ne les pondère pas de la même manière. Il utilise plutôt ceux qui s’avèrent les plus précis. »

De plus, le modèle change en fonction du délai. Un modèle qui prédit le débit 12 heures à l’avance sera différent d’un modèle qui le fait 8, 9 ou 10 heures à l’avance.

Le modèle varie également d’une rivière à l’autre. Pour le tester, Mohamed Almetwally Ahmed a effectué des calculs supplémentaires sur des données provenant des rivières Boise et Missouri, aux États-Unis.

« À mesure que cette technique évolue, nous pensons pouvoir l’utiliser de manière opérationnelle, de sorte que les gens pourront vérifier les estimations du débit des rivières sur leur téléphone, tout comme ils le font pour les prévisions météorologiques, indique Samuel Li. Au lieu de leur donner des estimations sur les températures ou les précipitations à venir, nous pourrons leur donner les niveaux d’eau. »

Pour Mohamed Almetwally Ahmed, qui poursuit ses études dans le domaine de la préparation aux évacuations en cas d’inondation, ce modèle n’est qu’un outil parmi d’autres qu’il espère voir utilisé par les autorités en prévision d’inondations désastreuses.

« Je veux que les autorités utilisent ces données pour leurs modèles de zones inondables, déclare-t-il. Grâce à cet outil, nous pouvons les aider à prévoir quelles routes seront praticables pour l’évacuation, ce qui permettra au système de transport local de disposer de plans d’action en temps réel susceptibles de sauver des vies et des biens. »

L’étude a reçu l’appui du Conseil de recherches en sciences naturelles et en génie du Canada.

Lisez l’article cité : « Machine Learning Model for River Discharge Forecast: A Case Study of the Ottawa River in Canada ».